基于度量學(xué)習(xí)的不完整數(shù)據(jù)聚類方法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)中產(chǎn)生了越來越多的數(shù)據(jù)，在數(shù)據(jù)收集、傳輸以及存儲的過程中經(jīng)常會出現(xiàn)問題導(dǎo)致數(shù)據(jù)出現(xiàn)了不完整性。對于收集到的數(shù)據(jù)人們很關(guān)心其內(nèi)部的特定關(guān)系以及含義，因此數(shù)據(jù)挖掘技術(shù)得到了廣泛的應(yīng)用。聚類分析技術(shù)是數(shù)據(jù)挖掘領(lǐng)域中核心技術(shù)之一，然而在面對不完整數(shù)據(jù)時傳統(tǒng)的聚類分析技術(shù)效果并不理想。
　　由于Mahalanobis距離度量函數(shù)在處理非線性空間變換以及復(fù)雜分布的數(shù)據(jù)時的不足，針對聚類分析中的距離度量問題，本文給出了

2、基于樹葉子節(jié)點特征表示算法、決策路徑特征表示算法，提出了基于隨機樹結(jié)構(gòu)的度量學(xué)習(xí)算法。結(jié)合樹結(jié)構(gòu)的特點，構(gòu)造非線性的特征，利用非線性的空間變換擴展數(shù)據(jù)中的隱含結(jié)構(gòu)信息。利用隨機樹結(jié)構(gòu)的度量學(xué)習(xí)方法可以很好的降低結(jié)構(gòu)泛化誤差，增加結(jié)果的穩(wěn)定性，同時從理論上證明了提出的算法的有效性，并且對比實驗的結(jié)果體現(xiàn)了本文提出的度量學(xué)習(xí)方法具有很好的表現(xiàn)。
　　由于基于協(xié)同過濾的處理方法以及基于期望最大化的處理方法在針對數(shù)據(jù)隨機缺失的情況下的處理

3、能力不足，本文針對不完整數(shù)據(jù)往往存在數(shù)據(jù)缺失的問題，提出了基于自動編碼的不完整數(shù)據(jù)處理算法，算法結(jié)合回歸分析的思想對不完整數(shù)據(jù)進行處理。因為傳統(tǒng)的回歸分析方法需要基于某種特定分布進行預(yù)測，并且需要確定輸入的形式。本文提出的基于自動編碼的不完整數(shù)據(jù)處理算法可以很好的解決數(shù)據(jù)的隨機缺失情況，并且對于不完整數(shù)據(jù)的預(yù)測和恢復(fù)并不需要依賴特定的分布。通過實驗對比可以看到，本文提出的不完整數(shù)據(jù)處理算法可以很好處理不完整數(shù)據(jù)的預(yù)測與恢復(fù)任務(wù)。

4、　　在不完整數(shù)據(jù)進行聚類分析時，單一的聚類方法往往依賴特定的假設(shè)，而由于不完整數(shù)據(jù)的分布的未知性，僅利用單一的聚類方法在實際中效果較差。本文結(jié)合不完整數(shù)據(jù)的特點，利用Graph Laplacian性質(zhì)生成聚類特征。結(jié)合提出的不完整數(shù)據(jù)處理方法以及基于隨機樹結(jié)構(gòu)的度量學(xué)習(xí)方法，利用Graph Laplacian的特性在不完整數(shù)據(jù)進行聚類分析，從理論上證明了算法在處理聚類問題上的有效性，并且通過在UCI數(shù)據(jù)集上的對比實驗，驗證了本文提出的聚